表示
超・人工知能研究所 Super AI Research Lab トップへ超・人工知能研究所AI Research Lab / ぱそ太郎工事中

since
平成38年9月29日

← 検索結果に戻る

画像の細部を保つ自己教師あり視覚モデルとGram anchoring

DINOv3

保存した記事を見るこのブラウザに保存します。無料会員で端末間の同期・フォルダ整理
著者の公式図・デモ

果物売り場の画像と、指定した位置の特徴類似度を色で示すDINOv3の可視化

出典:Meta / DINOv3 公式リポジトリ ↗

概要

  • DINOv3は正解ラベルなしの画像学習を大規模化し、画像内の細かな特徴を保つことを狙う。
  • Gram anchoringは、学習初期に得た小領域間の類似関係を後半の学習の手掛かりにする。
  • 著者らはCOCO物体検出でmAP 66.1、ADE20K領域分割でmIoU 63.0を報告した。
補足:編集した模式図で仕組みを確認する

VISUAL EXPLAINER

図でつかむ、DINOv3の仕組み

左から右へ読む
  1. 01ラベルのない大量の画像
  2. 02自己教師あり学習
  3. 03画素・領域の特徴表現
  4. 04認識や領域分割に利用

たとえば画像の一部を特徴ベクトルで表し、別の画像の似た部分を見つける土台にする。

もともとの課題・処理

個別の認識タスクに合わせて、ラベルと特徴表現を用意する。

この研究のアプローチ

自己教師あり学習で、複数のタスクへ転用する視覚特徴を育てる。

原論文の説明をもとにした模式図です。処理の細部は省略しています。

研究の背景

画像認識モデルを分野ごとに作るには、対象に名前や領域を付けた画像を多く集める負担がある。自己教師あり学習は、人が各画像に正解を付けず、画像自体から特徴を学ぶ方法である。

ただし画像全体をうまく表せても、小さな部品や境界を見分けるには画像の場所ごとの特徴が必要となる。DINOv3は、規模を大きくした学習でもこの細部の特徴を保つことを課題にした。

手法

著者らは大量の画像を選別して混ぜ、7Bパラメータの視覚モデルを自己教師ありで学習する。画像は小領域ごとの数値表現へ変わる。Gram anchoringでは、小領域どうしがどの程度似ているかを並べた関係表を使い、学習初期のモデルが示した関係から後のモデルが大きく外れないようにする。

例えば同じ設備写真の隣接する金属面と背景について、領域どうしの似方が学習の後半に乱れるのを抑える狙いだ。学習後は高解像度への対応を進め、蒸留という大きなモデルの知識を小さなモデルへ移す工程で複数のサイズを作る。出力は分類結果そのものではなく、下流の作業に使う画像特徴である。

新規性

DINOv3の中心的な改良はGram anchoringである。大規模な自己教師あり学習を長く続けると、画像の各領域を表す特徴が劣化する問題に対し、学習の早い段階のモデルが示す領域間の類似関係を後のモデルの目標に使う。

著者らは大量画像の選別、大きなモデルの学習、高解像度での追加学習、小型モデルへの蒸留も組み合わせ、細部の特徴を利用できるモデル系列を示した。

従来手法との違い

DINOv2を含む従来の自己教師ありモデルは、画像全体の分類などに有用でも、大きなモデルを長く学習させると細かな領域の特徴が劣化する場合があると著者らは述べる。DINOv3はGram anchoringで領域どうしの関係を保つ。

報告では、画像全体を見る課題に加え、物体検出や領域分割といった画素に近い位置情報が要る課題で比較する。ただしモデル規模、学習画像の選別、追加学習も変わるため、全成績をGram anchoringだけの効果とは読めない。

実験結果

著者らは分類、物体検出、領域分割、3次元の点対応などを評価した。凍結した視覚モデルを使う設定で、COCOの物体検出はmAP 66.1、ADE20Kの領域分割はmIoU 63.0と報告する。mAPは検出精度を、mIoUは予測領域と正解領域の重なりを集計する指標である。

データ選別の比較は短縮した20万回の学習で行い、著者らのLVD-1689Mを使う設定はImageNet1kの線形評価で87.2、ObjectNetで72.8を示した。これらは個々の評価条件での値であり、現場画像への性能を直接示すものではない。

応用の可能性

編集上の応用案 · 論文が実証した用途とは区別しています。

編集上の応用案:工場で撮影した設備画像から、点検対象の部品領域を探す下地としてDINOv3の特徴を使う。入力は設備写真、出力は画像の位置ごとの数値的な特徴と、それに基づく部品候補の領域である。

少数の確認済み画像を使って対象部品の特徴を照合し、候補を作業者へ提示する。作業者が原画像上で候補を確認し、似た外観の別部品や遮蔽された箇所を修正する流れを想定する。

導入時の検証

導入時の検証案 · 対象データでの再評価が必要です。

導入時の検証案:対象設備の画像を撮影条件別に集め、部品領域の正解を一部に付ける。DINOv3の特徴から候補領域を作り、既存の画像特徴を使う方式を比較基準にして、同じ画像集合で評価する。

部品の検出率、誤った候補数、領域の重なり、画像一枚の処理時間を測る。明るさや撮影距離を変えた画像、似た形の部品を含む画像を分けて集計し、どの条件で人の確認が増えるか記録する。

限界と課題

著者らは、大きなモデルを長く学習させると細かな特徴マップの質が下がる問題を報告し、その対策としてGram anchoringを提案した。示された物体検出や領域分割の成績は、対象データで追加学習なしにどんな部品でも特定できるという意味ではない。

編集上の検証課題は、撮影角度、照明、汚れ、解像度の変化で部品領域がどれだけ安定するかである。対象設備の正解画像を用意し、類似部品の取り違えと小さな欠陥の見落としを別々に調べる。

研究内容と応用案に基づく分類です。業界での導入実績を示すものではありません。

出典

元のタイトル・要旨を確認する(英語)

DINOv3

Self-supervised learning holds the promise of eliminating the need for manual data annotation, enabling models to scale effortlessly to massive datasets and larger architectures. By not being tailored to specific tasks or domains, this training paradigm has the potential to learn visual representations from diverse sources, ranging from natural to aerial images -- using a single algorithm. This technical report introduces DINOv3, a major milestone toward realizing this vision by leveraging simple yet effective strategies. First, we leverage the benefit of scaling both dataset and model size by careful data preparation, design, and optimization. Second, we introduce a new method called Gram anchoring, which effectively addresses the known yet unsolved issue of dense feature maps degrading during long training schedules. Finally, we apply post-hoc strategies that further enhance our models' flexibility with respect to resolution, model size, and alignment with text. As a result, we present a versatile vision foundation model that outperforms the specialized state of the art across a broad range of settings, without fine-tuning. DINOv3 produces high-quality dense features that achieve outstanding performance on various vision tasks, significantly surpassing previous self- and weakly-supervised foundation models. We also share the DINOv3 suite of vision models, designed to advance the state of the art on a wide spectrum of tasks and data by providing scalable solutions for diverse resource constraints and deployment scenarios.

論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29